同样的数据标注任务，通才标注入门只需几美元，而PhD级专家标注可达数百美元——价差数十倍。艺恩数据这份白皮书揭示了大模型数据市场的价值分布规律：从预训练语料到多模态数据，八层结构的价值层层递进。越靠近“专家级、多模态、可验证”的一端，单位价值越高、可复制性越低。核心判断是：合规授权与专家判断正在成为数据定价权的两大核心来源。
八层结构的价值递进
数据价值链从底层到顶层呈现清晰的价值递进。
①预训练语料（web/书籍/代码）是规模化基础，边际价值随枯竭下降。这是大模型训练的基础原料，但随着公开语料逼近枯竭，通用网络数据的价值正在持续走低。
②SFT指令微调数据对齐任务格式，塑造可用性。将预训练模型转化为可执行具体任务的工具，需要高质量的指令-响应对。
③RLHF/偏好数据对齐人类偏好，决定“好用”程度。这是OpenAI等头部实验室的核心竞争力——让模型说“人话”、符合人类价值观。
④RLAIF/AI反馈数据降低人工成本的规模化对齐。用AI替代人工进行偏好标注，大幅降低成本，但质量略逊于人类专家。
⑤专家/领域数据（PhD级）突破专业能力天花板，溢价最高的人工数据。在医疗、法律、编程等高壁垒领域，专家级标注数据是模型专业能力的天花板。
⑥评测/基准数据是能力度量与迭代方向的标尺。没有高质量的评测数据，就无法知道模型“好不好”、该往哪个方向改进。
⑦合成数据是缓解数据墙、增速最快的新供给。以模型生成数据反哺训练，NVIDIA已通过收购Gretel.ai将该赛道纳入战略版图。
⑧多模态数据（图像/视频/4D）最稀缺、溢价最高的层级。视频生成模型对“黄金数据”的渴求使其成为整个数据市场中最稀缺、单位价值最高的部分。
质量溢价——同一份标注价差可达数十倍
标注单价随专业度上升呈阶梯式增长，通才标注→专家标注可达数十倍价差。通用类标注任务每件仅需几美元，由众包工人完成；领域基础级任务（如医疗记录结构化）每件需几十美元，需要领域知识培训；专家级任务（如代码生成验证、法律文书分析）每件可达数百美元，需PhD级专业能力。这一价差意味着：数据市场的价值不在“数量”而在“质量”，不在“通用”而在“专业”。业界观察表明，模型性能提升中归因于数据质量（而非架构）的比例超过70%——“数据中心化AI”正在成为行业共识。
从“抓取”到“付费授权”的转型
当公开语料枯竭、版权诉讼频发，模型厂商转向授权协议。据Media & the Machine追踪，早期34笔交易总承诺约29.2亿美元（约8.16亿/年）。标志性交易包括：OpenAI与News Corp 5年最高2.5亿美元（出版史最大）；Reddit与Google约6000万美元/年、与OpenAI约7000万美元/年；News Corp与Meta 3年1.5亿美元；Disney与OpenAI授权角色+入股10亿美元。
Reddit的数据资产价值重估尤为值得关注。截至2025年6月的三个月中，Reddit占全部AI引用3.11%，为Wikipedia（1.35%）的两倍多，成为AI模型第一大被引来源。这推动了数据定价模式从“固定费”向“使用量→动态定价”演进。
全球玩家卡位与三大梯队
价值前沿正从“规模化通用标注”向“专家×多模态”迁移，呈现三大梯队分布。价值高地（右上）：Surge、Mercor、Scale、Turing、Toloka——以专家人工判断与多模态数据获取软件级溢价。平台/工具（中部）：Labelbox、Snorkel——程序化标注与评测工具。传统众包（左下·承压）：Appen、iMerit——通用单模态标注被自动化与合成数据挤压。
中国厂商正集中卡位多模态与垂直象限，与全球价值迁移方向一致。海天瑞声（语音/多模态）、澳鹏中国/曼孚科技（自动驾驶·标注）、艺恩（垂类视频数据）分别在不同赛道占据位置。四个范式样本揭示了行业方向：Scale AI（通用标注/RLHF）营收3年增长11倍；Surge AI/Mercor（专家/前沿数据）ARR分别达14亿和4.5亿美元；Reddit（内容授权）市值在18个月内增长至约390亿美元；智元AgiBot World（垂直/具身多模态）开源百万级真机片段，规模约为Google Open X-Embodiment的10倍。价值正从“规模化通用标注”流向“专家判断、独家授权与具身多模态”，谁掌握稀缺合规数据，谁就掌握定价权。
